주요 특징

• 가우시안 개수를 고정하지 않는다는 점이 이 모델의 핵심 주장입니다. 한 장의 이미지에서 최대 262,144개까지 임의 개수의 3D 가우시안을 생성할 수 있어, 같은 입력이라도 실시간 렌더링이 목적이면 적게, 최종 품질이 목적이면 많게 뽑아 화질과 렌더링 비용을 그때그때 맞바꿀 수 있습니다. 기반 논문 "Generative 3D Gaussians with Learned Density Control"(arXiv:2605.16355, SIGGRAPH Conference Papers '26 채택, 19쪽·그림 16개)은 이를 Density-Sampled Gaussians(DeG) 표현으로 정식화해, 가우시안 중심을 옥트리 위에 정의된 학습 가능한 확률밀도함수에서 샘플링한 결과로 모델링합니다.
• 기존 3DGS 파이프라인이 손으로 조정한 densification 휴리스틱에 의존하던 부분을 렌더 손실의 그래디언트로 대체한 것이 방법론상의 차이입니다. 밀도 제어가 미분 가능해지므로 어디에 가우시안을 더 둘지를 학습으로 결정합니다. 여기에 더해 디퓨전 모델을 순서가 없는 집합 구조 데이터에 적용할 때 생기는 문제를, 잠재 토큰을 결정론적 3D 소볼 수열에 고정하는 정준 재색인 기법 VecSeq으로 다룹니다. 저자들은 이 조합으로 단일 이미지-투-3D 생성에서 최상위 품질을 보고했으며, 저자는 Runjie Yan, Yan-Pei Cao, Peng Wang, Ding Liang, Yuan-Chen Guo입니다.
• 코드베이스가 의도적으로 얇습니다. 추론 저장소는 `triposplat.py`와 `model.py` 두 파일, 합쳐 약 2,000줄이 전부여서 다른 파이프라인에 이식하거나 수정하기 쉽습니다. 의존성도 `numpy`, `safetensors`, `pillow`, `tqdm`과 환경에 맞는 torch뿐으로 `transformers`나 `diffusers`를 요구하지 않아 버전 충돌을 피합니다. 학습 코드는 별도 저장소(TripoSplat-Training)로 분리돼 있고, 이 저장소는 추론 전용임을 README에 명시합니다. `python run_example.py`로 예제 추론이, `pip install gradio` 후 `python run_gradio.py`로 웹 데모가 바로 돌아갑니다.
• 체크포인트는 HuggingFace의 `VAST-AI/TripoSplat`에서 `ckpts/`로 내려받으며, HuggingFace CLI·huggingface_hub·ModelScope CLI·ModelScope SDK·수동 다운로드까지 다섯 가지 경로를 안내합니다. 구성 파일을 보면 배경 제거용 `birefnet.safetensors`, 디퓨전 본체 `triposplat_fp16.safetensors`, 비전 인코더 `dino_v3_vit_h.safetensors`, `flux2-vae.safetensors`, 디코더 `triposplat_vae_decoder_fp16.safetensors`로 나뉘어 있어 어떤 구성 요소가 어디에 쓰이는지 파악하기 쉽고, 본체와 디코더는 fp16으로 배포됩니다.
• 결과물이 표준 포맷이라 기존 도구 체인에 그대로 들어갑니다. 내보낸 `.ply` / `.splat` 파일은 SparkJS나 SuperSplat 에디터 등 일반적인 3D 가우시안 뷰어에서 열리고, ComfyUI 공식 워크플로 템플릿(`3d_triposplat_image_to_gaussian_splat.json`)이 제공돼 노드 그래프에서 바로 쓸 수 있습니다. 개발사는 상용 3D 생성 서비스를 운영하는 TripoAI지만 코드와 가중치를 모두 MIT로 공개했고, 저장소는 에셋 제작·AR/VR·게임 개발·시뮬레이션 환경 구축을 사용처로 제시합니다. 다만 VRAM 요구량이나 추론 속도 같은 하드웨어 요건은 모델 카드와 README 어디에도 명시돼 있지 않습니다.